PHP实现简单爬虫的方法

本文实例讲述了PHP实现简单爬虫的方法。分享给大家供大家参考。具体如下：

    <?php
    /**
     * 爬虫程序 -- 原型
     *
     * 从给定的url获取html内容
     * 
     * @param string $url 
     * @return string 
     */
    function _getUrlContent($url) {
      $handle = fopen($url, "r");
      if ($handle) {
        $content = stream_get_contents($handle, 1024 * 1024);
        return $content;
      } else {
        return false;
      } 
    } 
    /**
     * 从html内容中筛选链接
     * 
     * @param string $web_content 
     * @return array 
     */
    function _filterUrl($web_content) {
      $reg_tag_a = '/<[a|A].*?href=[\'\"]{0,1}([^>\'\"\ ]*).*?>/';
      $result = preg_match_all($reg_tag_a, $web_content, $match_result);
      if ($result) {
        return $match_result[1];
      } 
    } 
    /**
     * 修正相对路径
     * 
     * @param string $base_url 
     * @param array $url_list 
     * @return array 
     */
    function _reviseUrl($base_url, $url_list) {
      $url_info = parse_url($base_url);
      $base_url = $url_info["scheme"] . '://';
      if ($url_info["user"] && $url_info["pass"]) {
        $base_url .= $url_info["user"] . ":" . $url_info["pass"] . "@";
      } 
      $base_url .= $url_info["host"];
      if ($url_info["port"]) {
        $base_url .= ":" . $url_info["port"];
      } 
      $base_url .= $url_info["path"];
      print_r($base_url);
      if (is_array($url_list)) {
        foreach ($url_list as $url_item) {
          if (preg_match('/^http/', $url_item)) {
            // 已经是完整的url
            $result[] = $url_item;
          } else {
            // 不完整的url
            $real_url = $base_url . '/' . $url_item;
            $result[] = $real_url;
          } 
        } 
        return $result;
      } else {
        return;
      } 
    } 
    /**
     * 爬虫
     * 
     * @param string $url 
     * @return array 
     */
    function crawler($url) {
      $content = _getUrlContent($url);
      if ($content) {
        $url_list = _reviseUrl($url, _filterUrl($content));
        if ($url_list) {
          return $url_list;
        } else {
          return ;
        } 
      } else {
        return ;
      } 
    } 
    /**
     * 测试用主程序
     */
    function main() {
      $current_url = "http://hao123.com/"; //初始url
      $fp_puts = fopen("url.txt", "ab"); //记录url列表
      $fp_gets = fopen("url.txt", "r"); //保存url列表
      do {
        $result_url_arr = crawler($current_url);
        if ($result_url_arr) {
          foreach ($result_url_arr as $url) {
            fputs($fp_puts, $url . "\r\n");
          } 
        } 
      } while ($current_url = fgets($fp_gets, 1024)); //不断获得url
    } 
    main();
    ?>

希望本文所述对大家的php程序设计有所帮助。